論文の概要: Few-Shot Adaptation for Anomalous Sound Detection at Low False-Positive Rate

• arxiv url: http://arxiv.org/abs/2610.19893v1
• Date: Wed, 14 Oct 2026 09:51:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.076304
• Title: Few-Shot Adaptation for Anomalous Sound Detection at Low False-Positive Rate
• Title（参考訳）: 低False-Positive 速度における異常音検出のためのFew-Shot Adaptation
• Abstract要約: 信頼性の高い故障検出は、予期せぬ故障がコストダウンと生産中断を引き起こす大規模施設の産業機械にとって不可欠である。 まず, 正常な音声サンプルのみを利用できる場合, 正規化された教師なしモデルが配置され, そして, 最初の機械故障後, 数発の適応戦略が故障時に取得した異常サンプルを利用してシステムを改善する。
• 参考スコア（独自算出の注目度）: 1.0470971563147755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable fault detection is crucial for industrial machinery in large-scale facilities, where unexpected failures can cause costly downtime and production interruptions. Although acoustic monitoring provides a scalable solution for machine condition monitoring, its deployment is often constrained by high false-positive rates. We propose a two-step approach to automatic anomalous sound detection: first, when only normal operating audio samples are available, a regularized unsupervised model is deployed; then, after the first machine fault, a few-shot adaptation strategy exploits the anomalous samples acquired during the fault to improve the system. This adaptation increases the area under the precision-recall curve (AUPR) from 23.0 to 64.0 and improves detection in the low false-positive-rate region, with the partial area under the receiver operating characteristic curve (pAUROC) increasing from 39.6 to 72.8. We also show that covariance regularization improves both prediction accuracy and training stability in the unsupervised model. These results provide a practical strategy for acoustic anomaly detection systems, enabling improved accuracy and reduced false alarms.
• Abstract（参考訳）: 信頼性の高い故障検出は、予期せぬ故障がコストダウンと生産中断を引き起こす大規模施設の産業機械にとって不可欠である。 アコースティックモニタリングは、機械状態監視のためのスケーラブルなソリューションを提供するが、その展開は高い偽陽性率によって制約されることが多い。 まず, 正常な音声サンプルのみを利用できる場合, 正規化された教師なしモデルが配置され, そして, 最初の機械故障後, 数発の適応戦略が故障時に取得した異常サンプルを利用してシステムを改善する。 この適応は、精度-リコール曲線(AUPR)下の領域を23.0から64.0に増加させ、受信機動作特性曲線(pAUROC)下の部分領域を39.6から72.8に増加させ、偽陽性率の低い領域の検出を改善する。 また、共分散正則化は教師なしモデルにおける予測精度とトレーニング安定性の両方を改善することを示す。 これらの結果は,音響異常検出システムにおいて,精度の向上と誤報の低減を実現するための実用的な戦略を提供する。

関連論文リスト

• Anomaly-Informed Confidence Calibration for Vision-Based Safety Prediction [1.0981335059631014]
  既存の異常信号における臨界知覚-力学ギャップを同定する。 本研究では,世界モデルから抽出した2つの異常スコアを融合する異常情報オンライン手法を提案する。
  論文  参考訳（メタデータ） (2026-05-20T12:43:09Z)
• Kurtosis-Guided Denoising Score Matching for Tabular Anomaly Detection [6.893608092072852]
  Denoising score matching (DSM)は、ニューラルネットワークをトレーニングしてスコア関数を復元することで、データの分散を学ぶ方法を提供する。 K-DSM(Kurtosis-based noise scaling)は,各周縁分布の形状から雑音レベルを設定する方式である。 標準的な異常検出ベンチマークでは、K-DSMは半教師付き設定で最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-05-07T21:19:12Z)
• Dual-Mode Deep Anomaly Detection for Medical Manufacturing: Structural Similarity and Feature Distance [2.467339701756281]
  本稿では,2つの注意誘導型オートエンコーダアーキテクチャを提案する。 1つ目は、軽量でリアルタイムな欠陥検出を可能にする構造的類似性に基づくスコアリングアプローチである。 第二に、Mahalanobis を用いた特徴距離ベースの戦略を、遅延特性の低減に応用する。
  論文  参考訳（メタデータ） (2025-09-06T18:17:40Z)
• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• Breaking the Bias: Recalibrating the Attention of Industrial Anomaly Detection [20.651257973799527]
  RAAD(Recalibrating Attention of Industrial Anomaly Detection)は、アテンションマップを系統的に分解・再分類するフレームワークである。 HQSは、アテンションマップの階層性に基づいてビット幅を動的に調整する。 一つの3090tiを用いて,32データセットに対するRAADの有効性を検証した。
  論文  参考訳（メタデータ） (2024-12-11T08:31:47Z)
• Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
  本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。 我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。 その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
  論文  参考訳（メタデータ） (2023-11-06T22:13:10Z)
• Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers [44.344548601242444]
  Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。 画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。 弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-06-06T08:19:30Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Investigation of Different Calibration Methods for Deep Speaker Embedding based Verification Systems [66.61691401921296]
  本稿では, ディープスピーカ埋込抽出器のスコアキャリブレーション法について検討する。 この研究のさらなる焦点は、スコア正規化がシステムの校正性能に与える影響を推定することである。
  論文  参考訳（メタデータ） (2022-03-28T21:22:22Z)
• Anomalous sound detection based on interpolation deep neural network [9.309962824653033]
  本稿では,モデルがスペクトルの複数のフレームを利用する異常検出手法を提案する。 提案手法は標準的なAUCスコアに基づいて27%の改善が得られた。
  論文  参考訳（メタデータ） (2020-05-19T06:12:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。